In weiten Teilen des Nahen Ostens tippen Kunden nicht. Sie schicken eine 40-sekündige Sprachnachricht auf Golf- oder ägyptischem Arabisch, oft mit einer mittendrin vorgelesenen Bestellnummer. Die Agenten hören zu, spulen zurück und tippen alles ins Helpdesk. Bei ein paar hundert pro Tag werden Sprachnachrichten zu Ihrem langsamsten Kanal.
Dieser Beitrag baut den geschäftlichen Ablauf rund um die Transkription auf: Nachrichten aus WhatsApp und Telegram holen, in strukturierte Tickets verwandeln und die Daten unter Kontrolle halten. Den Code für Umwandlung und Transkription selbst finden Sie in unserer Schritt-für-Schritt-Anleitung zum Transkribieren von WhatsApp-Sprachnachrichten. Wir wiederholen ihn hier nicht.
Wie wird aus einer Sprachnachricht ein Support-Ticket?
- Empfangen Sie den Webhook von WhatsApp oder Telegram.
- Laden Sie das Audio sofort herunter.
- Wandeln Sie es in WAV mit 16 kHz mono um.
- Transkribieren Sie mit dem richtigen Sprachcode.
- Extrahieren Sie die Ticketfelder mit einem LLM.
- Legen Sie das Ticket mit Transkript an und antworten Sie per Text.
- Löschen Sie die Audiodatei.
Schritte 1 und 2: Wie holen Sie das Audio aus WhatsApp?
Bei der WhatsApp Business Cloud API kommt eine eingehende Sprachnachricht als Webhook mit einer Medien-ID an, nicht als Datei. Die Medien-Doku von Meta legt die Regeln fest:
- Rufen Sie
GET /<MEDIA_ID>an der Graph API auf, um eineurlzu erhalten. - Laden Sie diese URL mit
Authorization: Bearer <token>herunter. Ohne Token scheitert die Anfrage. - „Media URLs expire after 5 minutes.“ (Übersetzung: Medien-URLs laufen nach 5 Minuten ab.) Fordern Sie eine neue an, wenn Sie zu spät sind.
- Medien-IDs aus eingehenden Webhooks sind 7 Tage gültig.
import os, requests
GRAPH = os.environ["GRAPH_BASE"] # e.g. https://graph.facebook.com/<version>
HDR = {"Authorization": f"Bearer {os.environ['WA_TOKEN']}"}
def download_whatsapp(media_id, path):
url = requests.get(f"{GRAPH}/{media_id}", headers=HDR, timeout=10).json()["url"]
with open(path, "wb") as f:
f.write(requests.get(url, headers=HDR, timeout=30).content)
Erledigen Sie das im Hintergrundjob des Webhook-Handlers, nicht später in einem Batch. Eine Queue, die einmal pro Stunde läuft, trifft auf abgelaufene URLs.
Wie holen Sie Sprachnachrichten aus einem Telegram-Bot?
Ein Telegram-Bot erhält ein voice-Objekt mit einer file_id. Laut der Bot API „can download files of up to 20MB“ (Übersetzung: können Bots Dateien bis 20 MB herunterladen), über https://api.telegram.org/file/bot<token>/<file_path>, und der Link ist „valid for at least 1 hour“ (Übersetzung: mindestens 1 Stunde gültig).
TG = f"https://api.telegram.org/bot{os.environ['TG_TOKEN']}"
def download_telegram(file_id, path):
file_path = requests.get(f"{TG}/getFile", params={"file_id": file_id}, timeout=10).json()["result"]["file_path"]
with open(path, "wb") as f:
f.write(requests.get(f"https://api.telegram.org/file/bot{os.environ['TG_TOKEN']}/{file_path}", timeout=30).content)
Beide Plattformen liefern Sprachnachrichten in der Praxis als Ogg/Opus. Der Transkriptions-Endpoint nimmt WAV oder MP3 an; wandeln Sie also mit dem einzeiligen ffmpeg-Befehl aus dem WhatsApp-Leitfaden um und transkribieren Sie dann mit language="ar" (oder der Sprache des Kunden).
Schritt 5: Wie wird aus einem Transkript ein Ticket?
Ein rohes Transkript ist immer noch schwer zu triagieren. Ein LLM kann die Felder herausziehen, die Ihr Helpdesk braucht:
import json
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
FIELDS = ("Return JSON with: intent (refund|delivery|billing|technical|other), urgency (low|normal|high), "
"order_number (string or null), language, summary_en (one sentence), needs_human (true/false).")
def to_ticket(transcript):
reply = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
response_format={"type": "json_object"},
messages=[{"role": "system", "content": "You triage customer support voice notes. " + FIELDS},
{"role": "user", "content": transcript}],
).choices[0].message.content
return json.loads(reply)
Qwen3.8 27B ist das Modell, das BroadNet für Arabisch getestet hat, einschließlich Golf- und ägyptischer Dialekte. Validieren Sie das JSON, bevor Sie es ins Helpdesk schreiben, und fallen Sie auf needs_human: true zurück, wenn das Parsen scheitert; der Beitrag zu Structured Output enthält eine Schleife zum Validieren und Reparieren. Erwähnt eine Nachricht Karten- oder Ausweisnummern, schwärzen Sie sie vor diesem Schritt; siehe sensible Daten an eine LLM API senden.
Welche Sonderfälle sollten Sie früh behandeln?
Echte Posteingänge sind chaotischer als eine Demo. Planen Sie ab der ersten Woche für diese Fälle:
- Mehrere Nachrichten hintereinander. Kunden schicken oft drei kurze Nachrichten statt einer langen. Fassen Sie Nachrichten desselben Absenders innerhalb weniger Minuten zu einem Ticket zusammen und transkribieren Sie sie in der richtigen Reihenfolge.
- Sehr kurze Nachrichten. Nachrichten wie „Okay“ oder „Danke“ brauchen kein Ticket. Überspringen Sie die Extraktion, wenn das Transkript nur wenige Wörter hat.
- Weitergeleitete Nachrichten. In einer weitergeleiteten Sprachnachricht spricht womöglich jemand anderes. Behandeln Sie sie als Anhang, nicht als Worte des Kunden selbst.
- Gemischte Sprache. Kunden aus der Golfregion mischen englische Produktnamen ein. Bedient Ihre Queue mehrere Sprachen, speichern Sie zu jedem Transkript die gesendete Sprache, damit die Agenten wissen, was sie erwartet.
- Große Dateien. Die Medien-Doku von Meta nennt ein Audiolimit von 16 MB, und Telegram-Bots können bis 20 MB herunterladen; beides liegt unter dem Transkriptionslimit von 25 MiB, lange Aufnahmen dauern aber trotzdem länger. Verarbeiten Sie sie im Hintergrund.
Was ein Team davon hat
| Vorher | Nachher |
|---|---|
| Der Agent hört jede Nachricht an, oft zweimal | Der Agent liest ein Transkript und eine einzeilige Zusammenfassung |
| Nachrichten sind nicht durchsuchbar | Transkripte sind nach Bestellnummer oder Stichwort durchsuchbar |
| Triage durch den, der gerade frei ist | Routing nach Anliegen und Dringlichkeit |
| Arabische Nachrichten warten auf jemanden, der Arabisch spricht | Mit der englischen Zusammenfassung kann jeder Agent einfache Fälle übernehmen |
Was kostet die Transkription von Sprachnachrichten?
Die Transkription ist der günstige Teil der Pipeline. Bei $0.0042 pro Minute kosten 10.000 arabische Sprachnachrichten à 30 Sekunden $21.00. Das Modell für 14 Sprachen kostet $0.002 pro Minute. Der LLM-Schritt wird pro Token abgerechnet; ein kurzes Transkript plus Anweisung umfasst typischerweise einige hundert Tokens. Geben Sie Ihre eigenen Volumen in den Speech-to-Text-Kostenrechner ein oder vergleichen Sie andere Anbieter im Preisvergleich für Speech-to-Text.
Wie gehen Sie mit Datenschutz und Aufbewahrung um?
Sprachnachrichten sind personenbezogene Daten und enthalten oft mehr, als der Kunde teilen wollte. Drei Gewohnheiten helfen:
- Löschen Sie das Audio nach der Transkription, außer eine Richtlinie verlangt die Aufbewahrung.
- Speichern Sie Transkripte beim Ticket, unter den Zugriffskontrollen des Helpdesks, nicht in App-Logs.
- Nutzen Sie einen Anbieter, der kein Audio aufbewahrt. BroadNet bewahrt nach der Anfrage weder Audio noch Transkripte auf; siehe Zero Data Retention.
Antworten Sie in schlichtem Text, und halten Sie erste Antworten an neue Kontakte kurz und ohne Links. Messaging-Plattformen achten bei Unternehmensnummern auf spamartige Muster.
Wo BroadNet Inference passt
BroadNet deckt die Schritte Transkription und Extraktion mit einem OpenAI-kompatiblen Schlüssel ab: BroadNet Transcribe Arabic für arabische Nachrichten, BroadNet Transcribe für Arabisch und 13 weitere Sprachen und auf Arabisch getestete Chat-Modelle für die Ticketfelder. BroadNet gibt für sein arabisches Modell auf dem Open Universal Arabic ASR Leaderboard folgende Platzierung an: #2 von 37 (Angabe für September 2026; die Live-Rangliste führte das Modell am 15. November 2026 auf #4 von 39). Das Startguthaben von $5 deckt etwa 1,190 Minuten arabisches Audio ab.
BroadNet verbindet sich nicht für Sie mit WhatsApp, Telegram oder Ihrem Helpdesk; Webhook-Verarbeitung und Ticketerstellung sind Ihr Code oder Ihr Automatisierungstool. Anrufe sind ein anders gelagertes Problem, mit zwei Sprechern und langen Aufnahmen: siehe Callcenter-Aufnahmen transkribieren.

